వైద్యంలో AI: మరింత సమర్థవంతమైన డయాగ్నస్టిక్స్ కోసం కొత్త విధానం

ఔషధంలోని అనేక రంగాలలో ఇప్పటికే ఉపయోగించబడింది, ఇమేజింగ్ డేటా సహాయంతో వైద్యులకు వ్యాధులను నిర్ధారించడంలో సహాయపడటానికి AI అద్భుతమైన సామర్థ్యాన్ని కలిగి ఉంది. అయినప్పటికీ, AI నమూనాలు పెద్ద సంఖ్యలో ఉదాహరణలతో శిక్షణ పొందవలసి ఉంటుంది, ఇవి సాధారణంగా సాధారణ వ్యాధులకు మాత్రమే తగినంత పరిమాణంలో అందుబాటులో ఉంటాయి. “ఒక కుటుంబ వైద్యుడు దగ్గు, ముక్కు కారటం మరియు గొంతు నొప్పిని మాత్రమే నిర్ధారించవలసి ఉంటుంది” అని LMUలోని ఇన్స్టిట్యూట్ ఆఫ్ పాథాలజీ డైరెక్టర్ ప్రొఫెసర్ ఫ్రెడరిక్ క్లాస్చెన్ చెప్పారు. “ప్రస్తుత AI నమూనాలు తరచుగా పట్టించుకోని లేదా తప్పుగా వర్గీకరించే తక్కువ సాధారణ వ్యాధులను కూడా గుర్తించడం అసలు సవాలు.”

TU బెర్లిన్/బిఫోల్డ్ నుండి ప్రొఫెసర్ క్లాస్-రాబర్ట్ ముల్లర్ మరియు చారిటే — యూనివర్సిటీస్మెడిజిన్ బెర్లిన్ నుండి సహచరులతో కలిసి, క్లాస్చెన్ ఈ పరిమితిని అధిగమించే ఒక నవల విధానాన్ని అభివృద్ధి చేశారు: శాస్త్రవేత్తలు పత్రికలో నివేదించినట్లుగా న్యూ ఇంగ్లాండ్ జర్నల్ ఆఫ్ మెడిసిన్ AI (NEJM AI), తక్కువ తరచుగా వచ్చే వ్యాధులను కూడా విశ్వసనీయంగా గుర్తించడానికి వారి కొత్త మోడల్‌కు సాధారణ పరిశోధనల నుండి శిక్షణ డేటా మాత్రమే అవసరం. ఇది రోగనిర్ధారణ ఖచ్చితత్వాన్ని గణనీయంగా మెరుగుపరుస్తుంది మరియు భవిష్యత్తులో పాథాలజిస్టుల పనిభారాన్ని తగ్గించగలదు.

సాధారణ స్థితి నుండి నేర్చుకోవడం

కొత్త విధానం క్రమరాహిత్యాన్ని గుర్తించడంపై ఆధారపడి ఉంటుంది: సాధారణ కణజాలం యొక్క చాలా ఖచ్చితమైన లక్షణం మరియు తరచుగా వచ్చే వ్యాధుల నుండి కనుగొనబడిన వాటి నుండి, ఈ అరుదైన కేసుల కోసం ప్రత్యేకంగా శిక్షణ పొందాల్సిన అవసరం లేకుండా మోడల్ విచలనాలను గుర్తించడం మరియు ఫ్లాగ్ చేయడం నేర్చుకుంటుంది. వారి అధ్యయనం కోసం, పరిశోధకులు సంబంధిత రోగ నిర్ధారణలతో జీర్ణశయాంతర బయాప్సీల నుండి కణజాల విభాగాల మైక్రోస్కోపిక్ చిత్రాల యొక్క రెండు పెద్ద డేటాసెట్‌లను సేకరించారు. ఈ డేటాసెట్‌లలో, పది అత్యంత సాధారణ పరిశోధనలు — సాధారణ పరిశోధనలు మరియు దీర్ఘకాలిక పొట్టలో పుండ్లు వంటి సాధారణ వ్యాధులతో సహా – సుమారు 90 శాతం కేసులకు కారణమవుతాయి, అయితే మిగిలిన 10 శాతం 56 వ్యాధి ఎంటిటీలను కలిగి ఉన్నాయి – అనేక క్యాన్సర్‌లతో సహా.

వారి నమూనా యొక్క శిక్షణ మరియు మూల్యాంకనం కోసం, పరిశోధకులు 5,423 కేసుల నుండి మొత్తం 17 మిలియన్ హిస్టోలాజికల్ చిత్రాలను ఉపయోగించారు. “మేము వివిధ సాంకేతిక విధానాలను పోల్చాము మరియు మా ఉత్తమ మోడల్‌ను అధిక స్థాయి విశ్వసనీయతతో గుర్తించాము, అరుదైన ప్రాధమిక లేదా మెటాస్టాసైజింగ్ క్యాన్సర్‌లతో సహా కడుపు మరియు పెద్దప్రేగు యొక్క విస్తృత శ్రేణి అరుదైన పాథాలజీలు ఉన్నాయి. మా జ్ఞానం ప్రకారం, ప్రచురించబడిన ఏ ఇతర AI సాధనం దీన్ని చేయగలదు. ,” అని ముల్లర్ చెప్పారు. హీట్‌మ్యాప్‌లను ఉపయోగించి, అంతేకాకుండా, AI కణజాల విభాగంలోని క్రమరాహిత్యాల స్థానాన్ని రంగులో సూచిస్తుంది.

రోగనిర్ధారణ పనిభారాన్ని గణనీయంగా తగ్గించడం

సాధారణ ఫలితాలు మరియు తరచుగా వచ్చే వ్యాధులను గుర్తించడం మరియు క్రమరాహిత్యాలను గుర్తించడం ద్వారా, కొత్త AI మోడల్, కాలక్రమేణా మరింత మెరుగుపరచబడుతుంది, ఇది వైద్యులకు క్లిష్టమైన మద్దతును అందిస్తుంది. గుర్తించబడిన వ్యాధులను ఇప్పటికీ రోగనిర్ధారణ నిపుణులు నిర్ధారించాల్సిన అవసరం ఉన్నప్పటికీ, “వైద్యులు చాలా సమయాన్ని ఆదా చేయగలరు, ఎందుకంటే సాధారణ పరిశోధనలు మరియు నిర్దిష్ట రోగాలు AI ద్వారా స్వయంచాలకంగా నిర్ధారణ చేయబడతాయి. ఇది పావు నుండి మూడింట ఒక వంతు కేసులకు వర్తిస్తుంది, ” అని క్లాస్చెన్ చెప్పారు. “మరియు మిగిలిన సందర్భాలలో, AI కేసు ప్రాధాన్యతను సులభతరం చేస్తుంది మరియు తప్పిపోయిన నిర్ధారణలను తగ్గిస్తుంది. ఇది భారీ పురోగతిని సూచిస్తుంది.”